रूसी स्टार्टअप Mostik ने AI मॉडल्स को टेक्स्ट output बनाए बिना एक-दूसरे की क्षमताओं का इस्तेमाल कराने का तरीका विकसित करने का दावा किया है. कंपनी के अनुसार, यह तकनीक अलग-अलग मॉडलों के weights में मौजूद गणितीय values के जरिए उनके बीच एक तरह का ‘पुल’ बनाती है. इसका उद्देश्य बड़े और महंगे मॉडल की क्षमताओं को छोटे मॉडल के साथ जोड़ना है.
इस तकनीक की जानकारी Wired की एक रिपोर्ट में सामने आई है. रिपोर्ट के मुताबिक, Mostik ने इस तरीके से तैयार एक मॉडल को ARC-AGI 3 प्रतियोगिता में शीर्ष स्थानों तक पहुंचाया है. हालांकि, कंपनी ने उस मॉडल की विस्तृत जानकारी साझा नहीं की, क्योंकि वह प्रतियोगिता जीतने की कोशिश कर रही है.
बड़े और छोटे मॉडल को जोड़ने का प्रयोग
Mostik ने प्रदर्शन के लिए दो Chinese open-weight models को जोड़ने वाला एक hybrid system भी बनाया. रिपोर्ट के अनुसार, इसमें GLM-5.2 के 753 अरब parameters वाले सबसे बड़े version को Qwen-3.5 के 4 अरब parameters वाले version के साथ जोड़ा गया. Qwen-3.5 का यह छोटा मॉडल mobile device पर चल सकता है.
कंपनी के दावे के मुताबिक, इस hybrid system की लागत पूरे GLM मॉडल की तुलना में करीब 20 गुना कम है. इसकी performance दोनों मॉडलों के बीच के स्तर पर रही. ये आंकड़े Mostik के प्रयोग और रिपोर्ट में दिए गए विवरण पर आधारित हैं; स्वतंत्र परीक्षण का विवरण उपलब्ध स्रोत में नहीं दिया गया है.
आमतौर पर कई AI मॉडलों को साथ इस्तेमाल करने के लिए एक मॉडल का text output दूसरे मॉडल को दिया जाता है. इससे processing time और लागत बढ़ सकती है. Mostik का तरीका इस चरण को हटाने की कोशिश करता है. इसमें मॉडल text के बजाय उनके अंदर मौजूद numerical representations के स्तर पर एक-दूसरे से जुड़ते हैं.
Open-weight AI मॉडल्स के लिए संभावित फायदा
Mostik की CEO Sasha Malysheva के अनुसार, machine learning में यह जाना-पहचाना विचार है कि कई मॉडलों को मिलाने से किसी एक मॉडल की तुलना में बेहतर परिणाम मिल सकते हैं. उन्होंने इस प्रक्रिया की तुलना अलग-अलग लोगों के अनुमान मिलाकर किसी वस्तु का अधिक सटीक औसत निकालने से की.
अगर यह तरीका बड़े पैमाने पर काम करता है, तो open-weight models को फायदा हो सकता है. छोटे या specialized models को बड़े general-purpose models के साथ जोड़कर biology, physics और दूसरे क्षेत्रों में अधिक सक्षम systems तैयार किए जा सकते हैं. इससे हर काम के लिए एक ही बहुत बड़ा model चलाने की जरूरत कम हो सकती है.
AI software कंपनी Lovable के tech lead Vladimir Arustamian ने रिपोर्ट में Mostik के काम को उम्मीद से तेज बताया. पूर्व Google DeepMind computer scientist Karl Tuyls ने भी कहा कि यह तरीका बड़े मॉडल को पूरी प्रक्रिया संभालने के बजाय छोटे मॉडल के साथ चलाकर उसकी गुणवत्ता के करीब पहुंचने में मदद कर सकता है. दोनों विशेषज्ञों की टिप्पणियां उपलब्ध स्रोत में Mostik की तकनीक से उनकी परिचितता के आधार पर दी गई हैं.
तकनीक के सामने गणितीय चुनौती
Mostik के chief scientist और University of Geneva के professor Stanislav Smirnov के मुताबिक, दो AI मॉडलों के बीच साझा आधार खोजना आसान नहीं है. उनका कहना है कि इसके लिए अभी कोई उपयुक्त mathematical language मौजूद नहीं है. कंपनी का approach फिलहाल इसी अंतर को पाटने का एक व्यावहारिक प्रयास है.
Smirnov का मानना है कि इस तरह के शोध से यह समझने में भी मदद मिल सकती है कि AI मॉडल वास्तव में किस तरह काम करते हैं. आगे चलकर गणितीय विश्लेषण से AI reasoning और मानव reasoning के बीच संभावित समानताओं पर भी अध्ययन हो सकता है.
फिलहाल Mostik से जुड़े दावों की व्यापक स्वतंत्र पुष्टि या उसकी तकनीक का peer-reviewed विवरण उपलब्ध स्रोत में नहीं है. इसलिए इसकी लागत, performance और ARC-AGI 3 ranking से जुड़े निष्कर्षों को कंपनी और रिपोर्ट के दावों के रूप में देखना उचित होगा, न कि स्थापित industry standard के तौर पर.
